基于组合色彩特征的苹果树叶片各生长期氮含量预测

为精准预测开花期、幼果期和果实膨大期苹果树叶片的氮含量,提出一种基于组合色彩特征的苹果树叶片氮含量预测模型。首先,获取苹果树叶片图像并提取R、G、B单色分量及14种色彩组合参数共计17种色彩特征,通过主成分分析提取不同时期苹果树叶片氮含量关键影响因子,消除原始变量之间的相关性,降低模型输入向量维度;其次,对建立的PCA-SVM、PCA-BP、PCA-ELM预测模型在不同时期对苹果树叶片氮含量预测效果与精度进行对比,得到不同时期最佳的预测模型;最后,利用最佳预测模型对不同时期苹果树叶片氮含量进行预测,并通过自适应遗传算法对最佳预测模型参数进行优化。试验结果表明：在不同生长时期,PCA-SVM模型的预测精度均高于PCA-BP、PCA-ELM模型;优化后PCA-SVM预测模型在开花期、幼果期和果实膨大期的平均绝对误差分别为0.640、0.558、0.544g/kg,平均绝对百分误差分别为0.057、0.050、0.064g/kg,均方根误差分别为0.800、0.747、0.737g/kg,优于优化前预测模型。该模型具有良好的预测性能和泛化能力,可以为果园精准施肥管理、提升果品品质、避免资源浪费和环境污染提供理论依据。     

温室膜下滴灌甜瓜初花期叶面积动态变化与增长模型研究

以日光温室膜下滴灌甜瓜为试验材料,研究了甜瓜叶片叶面积动态变化规律以及不同水分处理对甜瓜叶面积大小分布范围的影响.结果表明:①不同水分处理对甜瓜叶片扩展和叶面积大小产生了显著影响,以2 d为灌溉周期,蒸发皿系数(Kcp)采用0.6有利于甜瓜叶片扩展,而且平均叶片叶面积最大;②甜瓜叶片叶面积扩展动态变化符合指数多项式增长模型,该模型拟合结果与实测值较为吻合,且相关系数较高,符合日光温室膜下滴灌甜瓜叶片叶面积动态变化规律.     

基于高光谱和PLS-LS-SVM的冬小麦叶绿素含量检测

定量测定小麦叶片叶绿素含量在小麦估产、农情监测等方面具有重要意义.本研究验证高光谱成像技术结合偏最小二乘-最小二乘支持向量机(PLS-LS-SVM)建模方法预测大田冬小麦叶绿素含量的可行性.首先利用所搭建高光谱成像系统以线扫描方式获取大田冬小麦叶片反射光谱,进而得到其立方体图像数据,并在小麦叶片光谱图像上选择感兴趣区域计算出光谱平均反射率值.为保证PLS-LS-SVM模型的鲁棒性和预测稳定性,首先通过PLS方法解决多重共线性问题并将输入变量维数减至4维,然后利用LS-SVM进行训练建模.所建叶绿素含量预测模型的决定系数达R2=0.8459,预测均方根误差RMSEV=0.4370.研究结果表明,基于高光谱成像系统,采用PLS-LS-SVM建立模型用来预测大田冬小麦叶绿素含量是完全可行的.     

冬小麦生育早期长势反演模型通用性研究

分析了生育早期(返青期、拔节前期、拔节后期)各阶段的冠层叶片光谱特性与叶绿素含量的关系,基于单波段反射率构建了一元预测模型,同样基于植被指数构建了多元叶绿素含量的反演模型,对两类建模方法构建的叶绿素含量预测模型进行了同生长阶段预测(SPV)和后续生长阶段的交叉预测(CPV),比较了模型的预测效果,得出了构建冬小麦生育早期冠层叶片叶绿素含量的通用预测模型的建模策略。研究结果表明:以返青期冠层叶片单波段反射率构建的一元反演模型,具有一定的模型通用性,能够较为准确的预测拔节前期的叶片叶绿素含量。利用偏最小二乘原理构建多元反演模型具有良好的通用性和较强的鲁棒性,能够较好地反演冬小麦生育早期冠层叶片叶绿素含量。而以MPRI、NDVI、RVI为组合构建的多元模型兼具通用性和简练性,可以作为多元预测模型构建的参考组合。     

基于MC—UVE的土壤碱解氮和速效钾近红外光谱检测

应用可见/短波近红外光谱分析测量土壤碱解氮和速效钾含量.为了提高该分析方法的预测精度,消除无信息建模变量对模型稳定性的影响,原始光谱平滑后采用蒙特卡罗无信息变量消除方法(MC-UVE)对土壤碱解氮和速效钾的建模变量进行筛选,应用偏最小二乘方法(PLS)建立校正模型.对于碱解氮模型,采用MC-UVE PLS方法,建模变量减少为210,相关系数和预测均方差分别为0.84和17.1 mg/kg.对于速效钾的预测模型,采用MC-UVE方法后,建模变量减少为150,模型的预测相关系数为0.76,预测均方根误差为15.4 mg/kg.     

基于长短期记忆神经网络模型的地下水水位预测研究

利用长短期记忆神经网络(LSTM)构建地下水水位预测模型,解决了传统神经网络预测模型处理时序数据时未考虑时间序列的问题,同时采用多影响变量输入的方式弥补了简单时序模型处理数据时过于依赖时间的缺点。以泰安市岱岳区满庄镇姜家园村046J地下水位监测井为例,采用2001-2016年的监测资料与相关气候数据,利用长短期记忆神经网络构建了地下水水位预测模型,以控制变量的方法确定最优参数,对该井的地下水水位进行了预测,并与单变量LSTM神经网络、BP神经网络预测模型作对比。研究结果表明:基于多变量输入的LSTM神经网络模型能够通过少量历史数据准确的预测未来地下水水位变化情况,特别是在一些资料匮乏的地区,预测误差要显著低于参与对比的预测模型,预测均方根误差仅为2.052。因此,基于多变量的LSTM神经网络模型能够作为简单有效的地下水水位预测工具,为区域水资源管理提供一定的参考。     

基于互信息的改进RBF神经网络预测模型及其应用

针对日径流过程随机性、非线性、模糊性等特点,吸取互信息变量相关性表征功能和RBF神经网络的非线性逼近能力,建立基于互信息的改进RBF神经网络预测模型。首先,利用互信息对神经网络输入变量进行筛选;其次,利用改进的最邻近聚类算法确定神经网络的隐含层个数和网络参数;最后,利用训练好的神经网络进行径流预测。以雅砻江流域沪宁水文站日径流为实例进行预测,结果表明:与单一RBF神经网络模型及其改进模型相比,基于互信息的改进RBF神经网络预测模型克服了原模型中未对输入变量进行选择的缺陷,提高了预测精度,增强了预测稳定性,为短期径流预测研究提供了新途径。     

基于可见/近红外光谱的牡丹叶片花青素含量预测

以开花初期不同品种牡丹叶片为研究对象,分析叶片花青素含量与反射光谱之间的相关关系,分别建立基于单波长、不同植被指数、相关系数大于0.52的可见光波段的叶片花青素含量预测模型。研究结果表明,牡丹叶片反射光谱与花青素含量的最大相关系数位于544 nm;以544 nm波长反射率及花青素反射指数(ARI)、调整花青素反射指数(MARI)为自变量建立的预测模型可以用于牡丹叶片花青素含量预测;以偏最小二乘回归(PLSR)构建的牡丹叶片花青素含量预测模型的建模和验模R2分别为0.873和0.811,RMSE为0.068μmol/g,RPD为2.352,是预测牡丹叶片花青素含量的最优模型。     

铜胁迫下玉米叶片的HHT包络谱变化与污染预测模型

根据不同Cu~(2+)胁迫梯度下玉米叶片光谱及叶片中Cu~(2+)含量数据,利用经验模态分解(EMD)获取不同胁迫梯度下叶片光谱的各阶本征模态函数(IMF),选IMF4进行HHT包络谱分析,研究了玉米叶片在不同Cu~(2+)胁迫梯度下光谱的Hilbert包络谱变化特征与污染程度预测方法。通过构建包络谱峰值指标(E_1)和包络谱峭度系数(E_2)特征参量,分析叶片在不同Cu~(2+)胁迫梯度下的包络谱变化;同时基于包络谱特征参量值与叶片中Cu~(2+)含量的相关性分析和逐步回归统计,建立了玉米叶片重金属污染的Cu~(2+)含量的单、双因素变量预测模型。实验结果表明:不同Cu~(2+)胁迫梯度下,玉米叶片光谱的包络谱为分布在100 Hz频率以内的连续谱;E_1和E_2值均表现出与叶片中Cu~(2+)含量呈正相关的变化趋势,两个包络谱特征参量值都在Cu(150)位置达到最大值;由于E_1和E_2值与叶片中Cu~(2+)含量都具有良好的相关性,可把E_1和E_2作为监测玉米重金属污染预测指标。根据E_1、E_2单因素及双因素变量构建的Cu~(2+)含量预测模型应用结果比较,表明E_1、E_2双因素变量构建的模型具有最优的预测能力。     

基于ST-LSTM的植物生长发育预测模型

提早预知植物生长发育是智能育种过程的重要组成部分,针对植物表型难以精准预测和模拟的问题,利用植物生长发育的空间和时间依赖性,提出了一种基于时空长短时记忆网络（Spatiotemporal long short-term memory,ST-LSTM）的植物生长发育预测模型,实现植物生长发育的预测。首先,通过微调Mask R-CNN模型实现识别、提取植物掩模,预处理具有时空相关性的植物生长发育图像序列,构建植物生长发育预测数据集。然后,基于ST-LSTM建立植物生长发育预测模型,利用历史生长发育图像序列,融合时空深度特征,预测植物未来的生长发育图像序列。研究结果表明,所提出模型预测的图像序列与生长发育实际图像序列具有较高的一致性和相似性,首个预测时间节点的结构相似度为0.8741,均方误差为17.10,峰值信噪比为30.83,测试集的冠层叶面积、冠幅和叶片数预测R2分别为0.9619、0.9087和0.9158。该研究实现了基于植物生长发育图像序列的生长发育预测,有效减少了田间反复试验的时间、土地和人力成本,为提高智能育种效率提供了参考。     

基于光谱和形状特征的水稻扫描叶片氮素营养诊断

使用扫描仪获取水稻叶片图像,综合运用数字图像处理技术、参数优选和分类方法,研究了不同氮素水平水稻叶片的光谱和形状特征,并进行了氮营养的诊断与识别。研究利用面向对象的分类方法提取叶尖部位的黄化面积比例,指数回归分析结果显示此参数与叶片氮含量具有很高的相关性(R2=0.863)。提取整叶和叶尖的颜色参数并分别与叶片氮含量进行指数回归分析,发现叶尖部位的颜色特征能更好地反映叶片的氮素营养状况。采用CfsSubsetEval和Scatter search相结合方法对特征进行约简与优化,根据选择结果结合支持向量机方法进行模式识别。精度检验结果显示该方法对缺氮和正常叶片的正确识别率较高,随氮素水平的升高,正确识别率降低,对过量水平的正确识别率较低,叶面积在缺氮和正常模式下能对识别起到很好的辅助作用。     

基于LMPSO-SVM的高光谱水稻稻瘟病害分级检测

为减少水稻产量损失,迫切需要建立快速、准确的水稻叶瘟监测和鉴别方法。本文以东北水稻为研究对象,以小区试验为基础,使用高光谱图像仪获取受稻瘟病菌侵染后不同发病程度的水稻叶片高光谱图像并提取光谱数据。首先,通过SG平滑方法对光谱数据进行预处理,然后运用主成分分析(PCA)、Pearson相关系数分析法(PCCs)、PLS-VIP方法对光谱数据进行降维,并提出了一种基于Logistic混沌映射PSO寻优的SVM分级检测模型(LMPSO-SVM)。为了验证提出方法的有效性,以不同降维方法提取的特征变量为输入,分别建立基于人工神经网络(ANN)、支持向量机(SVM)和PSO-SVM的分级模型并进行对比分析。仿真结果表明,各模型对4级病害的识别效果最好,综合5种级别病害,SVM和ANN分级模型的预测准确率波动相对较大,对于病害预测效果不太理想;而在不同特征选择下建立的LMPSO-SVM分级模型对各级病害预测准确率均较高,准确率波动较小,其中基于PCA提取特征变量和全波段作为输入的模型平均准确率非常相近,分别为96.49%和96.12%,PCA提取的输入变量仅为5个,大大简化了模型复杂性,降低了训练...     

基于激光雷达的树形靶标冠层叶面积探测模型研究

果园靶标冠层叶面积有效探测是施药量在线计算的基本依据。针对树形靶标稠密和稀疏2种冠层类型,搭建叶面积测量三维立体试验平台和激光雷达(Light detection and ranging,LiDAR)探测移动试验平台,构建不同厚度和稠密度树形靶标,采用偏最小二乘回归（Partial least squares regression,PLSR）算法与BP（Back propagation）神经网络算法建立了冠层叶面积探测模型。试验结果表明：PLSR算法获得稠密厚冠层、稀疏厚冠层、稠密薄冠层和稀疏薄冠层叶面积探测模型的决定系数（R2）分别为：0.9626、0.4130、0.8896、0.2699;BP神经网络算法获得模型的R2依次为：0.9727、0.5302、0.8993、0.4290。基于LiDAR的冠层叶面积探测模型对稠密冠层探测精度较高,R2不低于0.8896,对稀疏冠层探测精度较低,不高于0.5302,该探测方法可用于稠密冠层叶面积在线计算,指导果园精准变量喷药。     

基于PSO-ELM的温室梨枣树液流量模拟

【目的】精准模拟温室梨枣树液流量。【方法】基于粒子群算法(PSO)优化的极限学习机(ELM)模型,选取了西北旱区的温室梨枣树逐日气象资料和梨枣树生理指标作为输入参数,构建了16种不同参数组合的PSO-ELM模型对梨枣树各生育期的液流量进行模拟,并与实测液流值进行对比。【结果】PSO-ELM模型能通过较少的输入参数实现梨枣树液流量的高精度模拟:全生育期液流量模拟中M_2模型(输入参数为叶面积指数、平均气温、实际水汽压、平均相对湿度、净辐射和风速)、M_4模型(输入参数为叶面积指数、平均气温、实际水汽压、平均相对湿度、风速和土壤含水率)及M_(12)模型(输入参数为叶面积指数、实际水汽压和平均相对湿度)的MAE、MBE、R~2、MRE及RRMSE范围分别为1.467 6～1.598 6 mm/d、-0.000 9～0 mm/d、0.370 6～0.435 4、0.177 2～0.185 5及0.202 6～0.214 0,GPI排名分别1、2和5,其中M_(12)的输入参数较少且模拟精度较高,其MAE、MBE、R~2、MRE、RRMSE分别为1.598 6 mm/d、0、0.370 6、0.185 5、0.214 0;萌芽展叶期、开花坐果期、果实膨大期和果实成熟期液流量模拟结果分别以M_(Ⅰ-11)模型(输入参数为净辐射、叶面积指数和实际水汽压)、M_(Ⅱ-15)模型(输入参数为实际水汽压和平均气温)、M_(Ⅲ-11)模型(输入参数为平均相对湿度、叶面积指数和土壤含水率)和M_(Ⅳ-12)模型(输入参数为叶面积指数、净辐射和平均气温)模拟精度较高,GPI排名分别为8、2、4和5。【结论】PSO-ELM模型模拟温室梨枣树不同生育期液流量均具有较高的精度,可作为温室梨枣树液流量估算的新方法。     

基于前馈神经网络的变量施肥养分图的研究

通过插值方法合理利用土壤采样点的养分值估算非采样点的养分值,对于变量施肥决策和实施具有重要的意义.由于大采样间距插值地图的精确性无法得到保证,难以客观地描述农田的养分分布情况,因此提出一种不依赖于地理统计学推论的前馈神经网络模型,对大间距采样点进行插值.实验研究表明,与目前的插值方法相比,该模型有较好的准确性和可靠性.     

基于多维高光谱植被指数的冬小麦叶面积指数估算

为提高干旱区冬小麦叶面积指数（Leaf area index, LAI）遥感估算精度,以拔节期冬小麦LAI为研究对象,在对冠层高光谱数据进行一阶（First derivative, FD）、二阶（Second derivative, SD）微分预处理的基础上,计算了任意波段组合的二维植被指数（Two-dimensional vegetation index, 2DVI）和三维植被指数（Three-dimensional vegetation index, 3DVI）,通过进行与LAI之间相关性分析,寻求最佳波段组合的植被指数;利用人工神经网络（Artificial neural network, ANN）、K近邻（K-nearest neighbors, KNN）和支持向量回归（Support vector regression, SVR）算法分别建立LAI估算模型,并进行精度验证。结果表明：任意波段组合的植被指数与LAI相关性均显著提高,尤其是基于一阶微分预处理光谱的FD-3DVI-4（714 nm, 400 nm, 1 001 nm）相关系数达到0.93（P<0.01）,且最...     

基于多视角图像的植物叶片建模与曲面面积测量

针对现有测量植物叶片面积方法会对叶片造成一定程度的损伤,提出一种直接对自然生长状态下的叶片进行测量的方法.首先,对数码相机进行校正获取相机参数,从多角度拍摄自然生长状态下的叶片;然后,利用PhotoModeler软件对图像进行处理,获得叶片三维点云模型;再利用Matlab编程实现叶片的三维曲面建模并计算曲面面积.将该测量结果与采用扫描仪结合Photoshop测量结果进行了对比,实验结果表明,提出的方法对自然状态下的叶片测量效果良好,精度达99％.     

基于连续统去除法的冬小麦叶片全氮含量估算

以陕西省关中地区冬小麦小区试验为基础,获取不同生育期冬小麦的冠层高光谱数据,提取其连续统去除光谱和7类吸收特征参数,对比原始冠层光谱和连续统去除光谱对叶片氮含量的响应,分析连续统去除光谱吸收特征参数对叶片氮含量的估算能力。结果表明:连续统去除光谱在721~727 nm波段与叶片氮含量呈极显著负相关,相关系数为-0.851;吸收特征参数增强了对叶片氮含量的估算能力,400~550 nm波段吸收特征参数与叶片氮含量的相关性弱于550~770 nm波段;叶片氮含量与550~770 nm和400~770 nm的吸收峰总面积、吸收峰左面积以及吸收峰右面积呈显著正相关,与面积归一化最大吸收深度呈显著负相关,且相关系数绝对值均在0.8以上;550~770 nm波段的吸收峰总面积建立的叶片氮含量指数估算模型精度最高,R2达到0.82,模型检验结果稳定,可用来定量估算冬小麦叶片氮素含量水平。     

Simulation of artificial neural network model for trunk sap flow of Pyrus pyrifolia and its comparison with multiple-linear regression

Trunk sap flow of tree is an important index in the irrigation decision of orchard. On the basis of the measured sap flow (SF) of pear tree (Pyrus pyrifolia) in the field, the multiple-linear regression for simulating the SF was obtained after analyzing the relationships between the SF and its affecting factors in this study and an artificial neural network (ANN) technique was applied to construct a nonlinear mapping to simulate the SF, then the simulated SF by two models was, respectively, compared to the measured value. Results showed that trunk SF had significant relationship with the vapour pressure deficit (VPD) in the single-variable analysis method but with soil volumetric water content (θ) using the ANN models with default of different variables. The correlation coefficient (R²), mean relative error (MRE) and root mean square error (RMSE) between the measured and simulated sap flows by the ANN model developed by taking VPD, solar radiation (S_r), air temperature (T), wind speed (W_s), θ, leaf area index (LAI) as the input variables were 0.953, 10.0% and 5.33 L d⁻¹, respectively, and the simulation precision of ANN model was superior to that of multiple-linear regression due to its better performance for the nonlinear relationship between trunk SF and its affecting factors, thus ANN model can simulate trunk sap flow and then may help the efficient water management of orchard.     

基于数字图像处理技术的叶绿素含量检测系统

采用数字图像处理技术对叶片图像进行图像分割,将叶片从背景图像中分离出来,并针对叶片图像的各种颜色特征值与叶绿素含量进行相关性分析,建立回归模型。将拟合度最高的颜色特征值作为预测叶绿素含量的最佳模型。实验表明:采用此方法检测的叶绿素值与传统分光光度计检测方法相比较,准确率达到了89.7%;采用的颜色特征值与叶绿素含量的相关性达到-0.968。